CN115115634B - 基于红外图像的光伏阵列热斑检测方法 - Google Patents

基于红外图像的光伏阵列热斑检测方法 Download PDF

Info

Publication number
CN115115634B
CN115115634B CN202211043773.9A CN202211043773A CN115115634B CN 115115634 B CN115115634 B CN 115115634B CN 202211043773 A CN202211043773 A CN 202211043773A CN 115115634 B CN115115634 B CN 115115634B
Authority
CN
China
Prior art keywords
defect
connected domain
pixel
obtaining
infrared image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211043773.9A
Other languages
English (en)
Other versions
CN115115634A (zh
Inventor
汤维银
孙亚林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Huawei Photoelectric Technology Co ltd
Original Assignee
Jiangsu Huawei Photoelectric Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu Huawei Photoelectric Technology Co ltd filed Critical Jiangsu Huawei Photoelectric Technology Co ltd
Priority to CN202211043773.9A priority Critical patent/CN115115634B/zh
Publication of CN115115634A publication Critical patent/CN115115634A/zh
Application granted granted Critical
Publication of CN115115634B publication Critical patent/CN115115634B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及图像数据识别技术领域，具体涉及基于红外图像的光伏阵列热斑检测方法。该方法首先通过无人机搭载红外热成像仪在光伏阵列上方巡游拍摄采集热红外图像，对图像进行标准化处理，获取光伏阵列红外图像。然后利用阈值分割和形态学运算快速的获取粗略的热斑区域和热斑种子区域，减小缺陷检测范围，进而根据局部邻域最大差分结合方向加权的方式精准的识别缺陷区域，判断其是否为热斑缺陷。本发明通过对红外图像的处理方法，实现了准确的热斑缺陷判定。

Description

基于红外图像的光伏阵列热斑检测方法
技术领域
本发明涉及图像数据识别技术领域，具体涉及基于红外图像的光伏阵列热斑检测方法。
背景技术
随着化石能源的短缺，且其燃烧造成环境污染，清洁的太阳能资源受到了人们的重视。太阳能发电将会成为全球能源利用的重要来源。然而，光伏阵列长期工作于恶劣环境下，导致光伏组件的部分单体光伏电池损坏，从而降低了光伏发电系统发电效率。热斑现象是光伏发电系统的一种典型故障，它不仅会降低系统的发电效率，也容易带来安全问题。光伏热斑故障是光伏组件在运行过程中，因部分电池片自身的特性的改变，从而成为负载消耗其它光伏组件能量并持续发热的现象。通常情况下，热斑故障是由于光伏电池组件被局部遮挡而引起的。
目前已有的针对光伏阵列提出的热斑效应检测方式，多为通过检测输出电流电压等值来实现热斑的检测，其不能确定缺陷的具体位置。而利用无人机搭载红外热成像仪在光伏阵列上方巡游拍摄，获取光伏阵列红外图像进行热斑检测的方式，由于光伏电站地处位置的不同，会有许多因素造成图像分辨率低，边缘模糊等特点，因此对红外摄像头选型的要求比较苛刻，会增加生产成本，且红外热图像具有低对比度、高噪声的特点，传统的热斑检测方式效率较低、准确率不高，难以满足光伏电站实际需求。
发明内容
为了解决上述技术问题，本发明的目的在于提供基于红外图像的光伏阵列热斑检测方法，所采用的技术方案具体如下：
本发明提出了一种基于红外图像的光伏阵列热斑检测方法，所述方法包括：
获取光伏阵列的红外图像；获得红外图像的灰度直方图；利用大津算法获得灰度直方图的第一分割阈值；根据第一分割阈值获得红外图像的第一缺陷区域；根据大津阈值算法获得第一缺陷区域的第二缺陷区域；
获得第一缺陷区域的第一缺陷连通域，获得第二缺陷区域的第二缺陷连通域；将第二缺陷连通域映射至第一缺陷连通域中；若第一缺陷连通域与第二缺陷连通域为包含关系，则认为第一缺陷连通域为粗略缺陷连通域，第二缺陷连通域为缺陷种子连通域；
获得粗略缺陷连通域中与缺陷种子连通域的交集区域；获得每个交集区域中像素点与邻域范围内的其他像素点的像素值差值，构成交集区域中每个像素点的像素差值向量；以缺陷种子连通域中心点到对应交集区域的每个像素点的向量作为热量传递向量；根据对应的热量传递向量与像素差值向量之间的角度和像素差值向量中的元素值获得交集区域中每个像素点的边缘像素点概率；根据边缘像素点概率筛选出缺陷边缘像素点，获得真正缺陷连通域；
根据红外图像中真正缺陷连通域中的像素值与邻域范围内其他区域的像素值差异判断热斑故障。
进一步地，所述获取光伏阵列的红外图像后还包括：
利用霍夫直线检测算法对多个红外图像进行倾斜纠正，再使用双线性插值法对多个红外图像进行缩放，然后使用基于尺度不变特征转换的红外图像拼接方法，对多个红外图像图像进行拼接，最后利用区域生长法获取光伏阵列红外图像。
进一步地，所述获得红外图像的灰度直方图的方法包括：
对红外图像进行灰度化处理，然后使用自适应均值滤波对红外图像进行处理，统计其灰度直方图。
进一步地，所述获得第一缺陷区域的第一缺陷连通域，获得第二缺陷区域的第二缺陷连通域包括：
由此对第一缺陷区域做形态学开运算和填充运算，去除孤立点和毛刺，获得各粗略缺陷的连通域；对第二缺陷区域做形态学腐蚀运算和填充运算，获得各缺陷种子的连通域。
进一步地，所述根据对应的热量传递向量与像素差值向量之间的角度和像素差值向量中的元素值获得交集区域中每个像素点的边缘像素点概率包括：
Figure 901896DEST_PATH_IMAGE002
其中，
Figure 100002_DEST_PATH_IMAGE003
为交集区域中第
Figure 100002_DEST_PATH_IMAGE005
个像素点的边缘像素点，
Figure 706035DEST_PATH_IMAGE006
为交集区域中第
Figure 749078DEST_PATH_IMAGE005
个像素点对应的像素差值向量中的最大值，
Figure 100002_DEST_PATH_IMAGE007
为热量传递向量与像素差值向量之间的角度。
进一步地，所述根据边缘像素点概率筛选出缺陷边缘像素点，获得真正缺陷连通域包括：
将交集区域中与每个热量传递向量同方向上的像素点分为一类，将同一类像素点对应的概率值组成新的集合；获得各集合的最大值对应的像素点，获得真正的缺陷区域边缘线上的第一像素点集合；获得每一个集合中的对应的像素点到缺陷种子连通域中心点的距离小于该集合中的最大值对应的像素点到缺陷种子连通域中心点的距离的第二像素点集合；第一像素点集合和第二像素点集合构成真正缺陷连通域。
进一步地，所述根据红外图像中真正缺陷连通域中的像素值与邻域范围内其他区域的像素值差异判断热斑故障包括：
获得真正缺陷连通域的最小外接圆，标记圆心和半径，圆心不变，将半径扩大两倍，计算新圆内真正缺陷连通域内的像素灰度均值
Figure 557634DEST_PATH_IMAGE008
和非真正缺陷连通域内的像素灰度均值
Figure 100002_DEST_PATH_IMAGE009
；以
Figure 470314DEST_PATH_IMAGE008
与
Figure 514362DEST_PATH_IMAGE009
的差值作为故障程度；当故障程度大于预设故障程度阈值时，判断对应区域出现热斑故障。
本发明具有如下有益效果：
本发明实施例通过处理无人机搭载红外热成像仪采集的光伏阵列红外图像，然后利用阈值分割和形态学运算快速的获取粗略的热斑区域和热斑种子区域，减小检测范围，进而根据局部邻域最大差分结合方向加权的方式精准的识别缺陷区域，判断其是否为热斑缺陷。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于红外图像的光伏阵列热斑检测方法流程图；
图2为本发明一个实施例所提供的一个含有缺陷的粗略缺陷连通域和其内对应的缺陷种子连通域的示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于红外图像的光伏阵列热斑检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于红外图像的光伏阵列热斑检测方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于红外图像的光伏阵列热斑检测方法方法流程图，该方法包括：
步骤S1：获取光伏阵列的红外图像；获得红外图像的灰度直方图；利用大津算法获得灰度直方图的第一分割阈值；根据第一分割阈值获得红外图像的第一缺陷区域；根据大津阈值算法获得第一缺陷区域的第二缺陷区域。
在本发明实施例中，首先通过无人机搭载红外热成像仪在光伏阵列上方巡游拍摄采集热红外图像。
因为采集到的图像中光伏阵列通常会有不同程度的倾斜和缩放，如果直接对这些图像进行处理，计算出的特征必然会有误差，容易导致识别出错。因此在获得红外图像后，利用霍夫直线检测算法对各图像进行倾斜纠正，在使用双线性插值法对图像进行缩放，确保每个图像都符合标准，达到标准统一。再使用基于尺度不变特征转换的红外图像拼接方法，对图像进行拼接，使重叠部分融合平滑无缝，最后利用区域生长法获取光伏阵列红外图像。从而得到视角宽广的全景光伏阵列红外图像。
步骤S2：获得第一缺陷区域的第一缺陷连通域，获得第二缺陷区域的第二缺陷连通域；将第二缺陷连通域映射至第一缺陷连通域中；若第一缺陷连通域与第二缺陷连通域为包含关系，则认为第一缺陷连通域为粗略缺陷连通域，第二缺陷连通域为缺陷种子连通域。
红外热图像具有低对比度、高噪声的特点，不利于缺陷的判断和识别。需要先使用自适应均值算法对各图像进行去噪处理，但去噪的同时会导致图像边界模糊。因此先利用大津算法分割，获取粗略的热斑区域，再对该区域进行大津算法分割，获取全为缺陷像素点的种子区域。进而根据局部邻域最大差分结合方向加权的方式精准的识别缺陷区域。红外图像中各像素点的亮度与所拍摄对象的辐射能量强弱是有关联的，辐射能量越强，则该处像素点的亮度越强，反之则越弱。故缺陷区域的像素点灰度值高。
首先对步获取的光伏阵列的红外图像进行灰度化处理，然后使用自适应均值滤波对各图像进行处理，减少噪声和热量不均匀的影响，其窗口大小为
Figure 411911DEST_PATH_IMAGE010
。统计其灰度直方图。利用大津算法在灰度直方图上求取第一分割阈值
Figure DEST_PATH_IMAGE011
。以此对红外图像做二值化操作，令红外图像中灰度值大于
Figure 689571DEST_PATH_IMAGE011
的像素点为第一缺陷区域，标记为1，否则像素点为正常区域，标记为0。记此二值图像为
Figure 125100DEST_PATH_IMAGE012
。
然后取灰度直方图中灰度值大于
Figure 208725DEST_PATH_IMAGE011
的部分，即第一缺陷区域再利用大津算法求取该部分灰度直方图上的第二分割阈值
Figure DEST_PATH_IMAGE013
。以此对红外图像做二值化操作，即对第一缺陷区域进行二值化操作，令图像中灰度值大于
Figure 882152DEST_PATH_IMAGE013
的像素点为缺陷区域，标记为1，否则像素点为正常区域，标记为0。记此二值图像为
Figure 173456DEST_PATH_IMAGE014
。
由此对第一缺陷区域做形态学开运算和填充运算，去除孤立点和毛刺，获得各粗略缺陷的连通域。对第二缺陷区域做形态学腐蚀运算和填充运算，获得各缺陷种子的连通域，形态学运算中窗口大小为
Figure DEST_PATH_IMAGE015
。
由于热斑区域在光伏阵列中是很小的一部分，因此在图像中缺陷目标像素点数量过少，其在灰度直方图上的表现为背景区域的波峰要比目标区域的波峰大的多，大津算法求出的最佳分割阈值会偏向像素点数量占比大、类内方差大的背景区域，即在直方图上偏向大波峰。因此光伏阵列灰度图像中第一分割阈值
Figure 269850DEST_PATH_IMAGE011
偏向背景区域，经形态学处理后的粗略缺陷区域中不仅有完整的缺陷区域，还有一部分背景区域。
而自适应均值滤波去噪后的图像边界会模糊化，使边缺陷边界部分的像素点灰度值减小，其会影响对图像再使用第二分割阈值
Figure 931733DEST_PATH_IMAGE013
分割的缺陷区域的准确性，使分割阈值
Figure 538294DEST_PATH_IMAGE013
偏向缺陷区域，为进一步获取缺陷区域的核心，因此对其做形态学腐蚀运算和填充运算，且该窗口大于自适应均值算法的窗口，故获取的缺陷种子连通域必为缺陷的核心区域。
因此将二值图像
Figure 485653DEST_PATH_IMAGE014
中的各缺陷种子连通域根据坐标位置，映射至二值图像
Figure 177666DEST_PATH_IMAGE012
中。若二值图像
Figure 101628DEST_PATH_IMAGE012
中的各粗略缺陷连通域中若含有二值图像
Figure 562696DEST_PATH_IMAGE014
中的缺陷种子连通域，则判断该粗略缺陷连通域中含有缺陷，认为第一缺陷连通域为粗略缺陷连通域，第二缺陷连通域为缺陷种子连通域，否则该第一缺陷连通域为背景区域。请参阅图2，其示出了本发明一个含有缺陷的粗略缺陷连通域和其内对应的缺陷种子连通域的示意图，真正的缺陷连通域的轮廓边缘线，必在两连通域的不重叠部分，即交集区域。
步骤S3：获得粗略缺陷连通域中与缺陷种子连通域的交集区域；获得每个交集区域中像素点与邻域范围内的其他像素点的像素值差值，构成交集区域中每个像素点的像素差值向量；以缺陷种子连通域中心点到对应交集区域的每个像素点的向量作为热量传递向量；根据对应的热量传递向量与像素差值向量之间的角度和像素差值向量中的元素值获得交集区域中每个像素点的边缘像素点概率；根据边缘像素点概率筛选出缺陷边缘像素点，获得真正缺陷连通域。
光伏阵列图像中背景区域与缺陷区域的同质性较好，因此各区域内像素点与其邻域内的像素点的灰度值差异比较小，而缺陷区域的轮廓边缘线上的像素点与其邻域内的背景像素点的灰度值差异比较大，即缺陷像素点到背景像素点，灰度值减小量较大。
将获取的各含有缺陷的粗略缺陷连通域根据像素点在二值图像上的坐标位置，将其映射到自适应均值去噪前的光伏阵列灰度图像上。取其中一个粗略连通域为例，统计该粗略缺陷连通域中的缺陷种子连通域的中心点，将其记为B。
然后取该粗略缺陷连通域内与其对应的缺陷种子连通域不重叠的部分，真正缺陷连通域的轮廓边缘线必定在该不重叠区域内。设计一个大小为
Figure 884219DEST_PATH_IMAGE010
的窗口，逐像素点的在该区域遍历，标记该区域的像素点为
Figure 594686DEST_PATH_IMAGE016
，i={1,2,…,n}，其中n表示该区域内的像素点数量。取该区域内一像素点
Figure DEST_PATH_IMAGE017
为例，标记其
Figure 260022DEST_PATH_IMAGE010
窗口内的8邻域像素点，以左上角开始顺时针旋转一周，分别记为
Figure 591909DEST_PATH_IMAGE018
、
Figure DEST_PATH_IMAGE019
、
Figure 254971DEST_PATH_IMAGE020
、
Figure DEST_PATH_IMAGE021
、
Figure 893149DEST_PATH_IMAGE022
、
Figure DEST_PATH_IMAGE023
、
Figure 299859DEST_PATH_IMAGE024
、
Figure DEST_PATH_IMAGE025
。再计算中心像素点
Figure 423935DEST_PATH_IMAGE017
与其8邻域像素点的灰度差分值集合
Figure 382533DEST_PATH_IMAGE026
为：
Figure 739696DEST_PATH_IMAGE028
其中
Figure DEST_PATH_IMAGE029
表示窗口内中心像素点
Figure 966409DEST_PATH_IMAGE017
的灰度值，
Figure 256576DEST_PATH_IMAGE030
为其8邻域像素点的灰度值。取集合
Figure 153119DEST_PATH_IMAGE026
中的最大值，记为最大差分
Figure 528737DEST_PATH_IMAGE006
，并提取其对应的8邻域像素点
Figure DEST_PATH_IMAGE031
，获得像素值差值向量
Figure 277250DEST_PATH_IMAGE032
。
已知热量的传递具有方向性,只能自发地从高温处传到低温处，而噪声点的邻域最大差分方向无序，故若该像素点
Figure 697955DEST_PATH_IMAGE017
在真正的缺陷区域边缘线上时，该像素点的最大差分方向应是从高温的缺陷区域向低温的背景区域，以缺陷种子连通域中心点到对应交集区域的每个像素点的向量作为热量传递向量，像素值差值向量
Figure 483508DEST_PATH_IMAGE032
应与热了传递向量
Figure DEST_PATH_IMAGE033
的方向相同，其中像素点B为该粗略缺陷连通域中的缺陷种子连通域的中心点。由此可获得像素点
Figure 533373DEST_PATH_IMAGE017
是否在真正的缺陷连通域边缘线上的概率
Figure 446096DEST_PATH_IMAGE003
为：
Figure 163386DEST_PATH_IMAGE002
Figure DEST_PATH_IMAGE035
其中，
Figure 339414DEST_PATH_IMAGE003
为交集区域中第
Figure 689624DEST_PATH_IMAGE005
个像素点的边缘像素点，
Figure 638994DEST_PATH_IMAGE006
为交集区域中第
Figure 758260DEST_PATH_IMAGE005
个像素点对应的像素差值向量中的最大值，
Figure 105190DEST_PATH_IMAGE007
为热量传递向量与像素差值向量之间的角度，
Figure 208275DEST_PATH_IMAGE006
为以像素点
Figure 961337DEST_PATH_IMAGE017
为中心点与其8邻域像素点的各灰度差值的最大值，
Figure 935109DEST_PATH_IMAGE036
为其权重，
Figure 447081DEST_PATH_IMAGE032
为像素点
Figure 21150DEST_PATH_IMAGE017
到其邻域最大差分像素点
Figure 328635DEST_PATH_IMAGE031
的向量，
Figure 173225DEST_PATH_IMAGE033
表示该粗略缺陷连通域中的缺陷种子连通域的中心像素点B到像素点
Figure 111225DEST_PATH_IMAGE017
的向量，
Figure 907012DEST_PATH_IMAGE007
表示两向量的夹角，
Figure 18188DEST_PATH_IMAGE007
越小，权重越大。
由于当像素点
Figure 982864DEST_PATH_IMAGE017
在真正的缺陷连通域边缘线上时，该像素点灰度值应与邻域内背景像素灰度值差异最大，且方向为缺陷区域至背景区域，即高温区域向低温区域传导，而噪声点的邻域最大差分方向无序，故根据方向性不仅为概率
Figure 888503DEST_PATH_IMAGE003
的求取提供了权值依据，还去除了噪声的影响。因此当
Figure 171585DEST_PATH_IMAGE007
越小，且
Figure 555293DEST_PATH_IMAGE006
越大时，说明像素点
Figure 108897DEST_PATH_IMAGE017
在真正的缺陷区域边缘线上的概率
Figure 451016DEST_PATH_IMAGE003
越大。同理可获得该粗略缺陷连通域内与其对应的缺陷种子连通域不重叠的区域内各像素点是否在真正的缺陷连通域边缘线上的概率，获得概率集合
Figure DEST_PATH_IMAGE037
，其中n表示该区域内的像素点数量。
因此可根据边缘像素点概率筛选出缺陷边缘像素点，获得真正缺陷连通域，具体包括：将交集区域中与每个热量传递向量同方向上的像素点分为一类，将同一类像素点对应的概率值组成新的集合；获得各集合的最大值对应的像素点，获得真正的缺陷区域边缘线上的第一像素点集合；获得每一个集合中的对应的像素点到缺陷种子连通域中心点的距离小于该集合中的最大值对应的像素点到缺陷种子连通域中心点的距离的第二像素点集合；第一像素点集合和第二像素点集合构成真正缺陷连通域。
即根据向量
Figure 107214DEST_PATH_IMAGE038
的方向，其中i={1,2,…,n}，将同方向的像素点
Figure 294612DEST_PATH_IMAGE016
分为一类，再将同一类像素点对应的概率值组成新的集合，即将概率集合
Figure DEST_PATH_IMAGE039
划分为m个子集合，其中m为像素点
Figure 670099DEST_PATH_IMAGE016
的种类。
取m个子集合中各集合的最大值对应的像素点，获得真正的缺陷区域边缘线上的像素点集合
Figure 871535DEST_PATH_IMAGE040
。再取m个子集合中每一个集合中的对应的像素点到像素点B的距离小于该集合中的最大值对应的像素点到像素点B的距离的像素点。由此组成该粗略缺陷连通域内的真正缺陷连通域。同理获得所有含有缺陷的粗略缺陷连通域内真正缺陷连通域。
步骤S4：根据红外图像中真正缺陷连通域中的像素值与邻域范围内其他区域的像素值差异判断热斑故障。
一般情况下认为：太阳能光伏组件在正常工作时，某一局部区域温度高于周边温度6.5℃时，可认为太阳能电池板组件局部区域为热斑区域。
因此获得真正缺陷连通域的最小外接圆，标记圆心和半径，圆心不变，将半径扩大两倍，计算新圆内真正缺陷连通域内的像素灰度均值
Figure 879943DEST_PATH_IMAGE008
和非真正缺陷连通域内的像素灰度均值
Figure 385879DEST_PATH_IMAGE009
；以
Figure 163342DEST_PATH_IMAGE008
与
Figure 535680DEST_PATH_IMAGE009
的差值作为故障程度；当故障程度大于预设故障程度阈值时，判断对应区域出现热斑故障。
在本发明实施例中，预设故障程度阈值的获取方法包括：计算10张人工挑选的热斑故障红外图像中的差值F，取这组数据的均值为
Figure DEST_PATH_IMAGE041
，以其为阈值。
综上所述，本发明实施例首先通过无人机搭载红外热成像仪在光伏阵列上方巡游拍摄采集热红外图像，对图像进行标准化处理，获取光伏阵列红外图像。然后利用阈值分割和形态学运算快速的获取粗略的热斑区域和热斑种子区域，减小缺陷检测范围，进而根据局部邻域最大差分结合方向加权的方式精准的识别缺陷区域，判断其是否为热斑缺陷。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于红外图像的光伏阵列热斑检测方法，其特征在于，所述方法包括：
获取光伏阵列的红外图像；获得红外图像的灰度直方图；利用大津算法获得灰度直方图的第一分割阈值；根据第一分割阈值获得红外图像的第一缺陷区域；根据大津阈值算法获得第一缺陷区域的第二缺陷区域；
获得第一缺陷区域的第一缺陷连通域，获得第二缺陷区域的第二缺陷连通域；将第二缺陷连通域映射至第一缺陷连通域中；若第一缺陷连通域与第二缺陷连通域为包含关系，则认为第一缺陷连通域为粗略缺陷连通域，第二缺陷连通域为缺陷种子连通域；
获得粗略缺陷连通域中与缺陷种子连通域的交集区域；获得每个交集区域中像素点与邻域范围内的其他像素点的像素值差值，构成交集区域中每个像素点的像素差值向量；以缺陷种子连通域中心点到对应交集区域的每个像素点的向量作为热量传递向量；根据对应的热量传递向量与像素差值向量之间的角度和像素差值向量中的元素值获得交集区域中每个像素点的边缘像素点概率；根据边缘像素点概率筛选出缺陷边缘像素点，获得真正缺陷连通域；
根据红外图像中真正缺陷连通域中的像素值与邻域范围内其他区域的像素值差异判断热斑故障。
2.根据权利要求1所述的一种基于红外图像的光伏阵列热斑检测方法，其特征在于，所述获取光伏阵列的红外图像后还包括：
利用霍夫直线检测算法对多个红外图像进行倾斜纠正，再使用双线性插值法对多个红外图像进行缩放，然后使用基于尺度不变特征转换的红外图像拼接方法，对多个红外图像进行拼接，最后利用区域生长法获取光伏阵列红外图像。
3.根据权利要求1所述的一种基于红外图像的光伏阵列热斑检测方法，其特征在于，所述获得红外图像的灰度直方图的方法包括：
对红外图像进行灰度化处理，然后使用自适应均值滤波对红外图像进行处理，统计其灰度直方图。
4.根据权利要求1所述的一种基于红外图像的光伏阵列热斑检测方法，其特征在于，所述获得第一缺陷区域的第一缺陷连通域，获得第二缺陷区域的第二缺陷连通域包括：
由此对第一缺陷区域做形态学开运算和填充运算，去除孤立点和毛刺，获得各粗略缺陷的连通域；对第二缺陷区域做形态学腐蚀运算和填充运算，获得各缺陷种子的连通域。
5.根据权利要求1所述的一种基于红外图像的光伏阵列热斑检测方法，其特征在于，所述根据对应的热量传递向量与像素差值向量之间的角度和像素差值向量中的元素值获得交集区域中每个像素点的边缘像素点概率包括：
Figure 814327DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
为交集区域中第
Figure DEST_PATH_IMAGE005
个像素点的边缘像素点，
Figure 113853DEST_PATH_IMAGE006
为交集区域中第
Figure 873999DEST_PATH_IMAGE005
个像素点对应的像素差值向量中的最大值，
Figure DEST_PATH_IMAGE007
为热量传递向量与像素差值向量之间的角度。
6.根据权利要求1所述的一种基于红外图像的光伏阵列热斑检测方法，其特征在于，所述根据边缘像素点概率筛选出缺陷边缘像素点，获得真正缺陷连通域包括：
将交集区域中与每个热量传递向量同方向上的像素点分为一类，将同一类像素点对应的概率值组成新的集合；获得各集合的最大值对应的像素点，获得真正的缺陷区域边缘线上的第一像素点集合；获得每一个集合中的对应的像素点到缺陷种子连通域中心点的距离小于该集合中的最大值对应的像素点到缺陷种子连通域中心点的距离的第二像素点集合；第一像素点集合和第二像素点集合构成真正缺陷连通域。
7.根据权利要求1所述的一种基于红外图像的光伏阵列热斑检测方法，其特征在于，所述根据红外图像中真正缺陷连通域中的像素值与邻域范围内其他区域的像素值差异判断热斑故障包括：
获得真正缺陷连通域的最小外接圆，标记圆心和半径，圆心不变，将半径扩大两倍，计算新圆内真正缺陷连通域内的像素灰度均值
Figure 767130DEST_PATH_IMAGE008
和非真正缺陷连通域内的像素灰度均值
Figure DEST_PATH_IMAGE009
；以
Figure 825085DEST_PATH_IMAGE008
与
Figure 182379DEST_PATH_IMAGE009
的差值作为故障程度；当故障程度大于预设故障程度阈值时，判断对应区域出现热斑故障。
CN202211043773.9A 2022-08-30 2022-08-30 基于红外图像的光伏阵列热斑检测方法 Active CN115115634B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211043773.9A CN115115634B (zh) 2022-08-30 2022-08-30 基于红外图像的光伏阵列热斑检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211043773.9A CN115115634B (zh) 2022-08-30 2022-08-30 基于红外图像的光伏阵列热斑检测方法

Publications (2)

Publication Number Publication Date
CN115115634A CN115115634A (zh) 2022-09-27
CN115115634B true CN115115634B (zh) 2022-11-01

Family

ID=83335723

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211043773.9A Active CN115115634B (zh) 2022-08-30 2022-08-30 基于红外图像的光伏阵列热斑检测方法

Country Status (1)

Country Link
CN (1) CN115115634B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115351598B (zh) * 2022-10-17 2024-01-09 安徽金锘轴承制造有限公司 一种数控机床轴承检测方法
CN115409833B (zh) * 2022-10-28 2023-01-31 一道新能源科技(衢州)有限公司 基于反锐化掩模算法的光伏板的热斑缺陷检测方法
CN115994908B (zh) * 2023-03-23 2023-06-02 北京四象爱数科技有限公司 一种光伏板热斑检测方法、设备及介质
CN117172962B (zh) * 2023-07-17 2024-04-16 南京工业职业技术大学 基于电力系统的用电节能方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019012090A (ja) * 2016-05-24 2019-01-24 株式会社オクテック 画像処理方法、画像表示装置
CN111724319A (zh) * 2020-06-19 2020-09-29 马鞍山职业技术学院 视频监控系统中的图像处理方法
CN114612406A (zh) * 2022-03-03 2022-06-10 南京理工大学 一种基于可见光和红外视觉的光伏板缺陷检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019012090A (ja) * 2016-05-24 2019-01-24 株式会社オクテック 画像処理方法、画像表示装置
CN111724319A (zh) * 2020-06-19 2020-09-29 马鞍山职业技术学院 视频监控系统中的图像处理方法
CN114612406A (zh) * 2022-03-03 2022-06-10 南京理工大学 一种基于可见光和红外视觉的光伏板缺陷检测方法

Also Published As

Publication number Publication date
CN115115634A (zh) 2022-09-27

Similar Documents

Publication Publication Date Title
CN115115634B (zh) 基于红外图像的光伏阵列热斑检测方法
CN112200764B (zh) 一种基于热红外图像的光伏电站热斑检测与定位方法
Di Tommaso et al. A multi-stage model based on YOLOv3 for defect detection in PV panels based on IR and visible imaging by unmanned aerial vehicle
Mayr et al. Weakly supervised segmentation of cracks on solar cells using normalized L p norm
CN103996209B (zh) 一种基于显著性区域检测的红外舰船目标分割方法
CN114612406A (zh) 一种基于可见光和红外视觉的光伏板缺陷检测方法
CN117314893A (zh) 基于图像处理的光伏钢结构组件质量检测方法
CN115376028A (zh) 基于稠密特征点拼接和改进型yolov 5的目标检测方法
CN113989644B (zh) 基于Himawari-8数据的沙尘区域获取方法
CN115409814A (zh) 一种基于融合图像的光伏组件热斑检测方法及系统
CN114266947A (zh) 一种基于激光点云和可见光图像融合的分类方法及装置
CN114782442A (zh) 一种基于人工智能的光伏电池板智慧巡检方法及系统
Patel et al. Defect detection in PV arrays using image processing
CN114549393B (zh) 图像标注方法、装置、设备及计算机存储介质
CN116883433B (zh) 一种光伏组件表面温度分布实时监测系统
Wang et al. Effective segmentation approach for solar photovoltaic panels in uneven illuminated color infrared images
CN115082504B (zh) 一种太阳能光伏板光斑识别方法
CN117058557A (zh) 基于物理特征与深度学习模型的云和云阴影联合检测方法
CN110097569B (zh) 基于颜色马尔科夫链显著性模型的油罐目标检测方法
CN115082455A (zh) 基于深度学习的红外图像中光伏组件定位和缺陷检测方法
CN113192018B (zh) 基于快速分割卷积神经网络的水冷壁表面缺陷视频识别方法
Aslani et al. A Spatially Detailed Approach to the Assessment of Rooftop Solar Energy Potential based on LiDAR Data.
CN112734745A (zh) 一种融合gis数据的无人机热红外影像供暖管道泄漏探测方法
Arosh et al. Composite imagery-based non-uniform illumination sensing for system health monitoring of solar power plants
Amaral et al. Fault detection in trackers for PV systems based on a pattern recognition approach

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant